CN116468540A - 基于大数据的消费金融客群风险识别系统及其方法 - Google Patents
基于大数据的消费金融客群风险识别系统及其方法 Download PDFInfo
- Publication number
- CN116468540A CN116468540A CN202310393963.1A CN202310393963A CN116468540A CN 116468540 A CN116468540 A CN 116468540A CN 202310393963 A CN202310393963 A CN 202310393963A CN 116468540 A CN116468540 A CN 116468540A
- Authority
- CN
- China
- Prior art keywords
- user
- risk
- information
- data
- characterization information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012512 characterization method Methods 0.000 claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了基于大数据的消费金融客群风险识别系统及其方法，属于金融风险识别技术领域；基于大数据的消费金融客群风险识别系统，包括信息采集模块，用于实时地采集基于消费金融的用户表征信息；数据处理模块，用于对获取的用户表征信息进行综合地处理；风险识别模块，用于对用户特征信息进行风险识别；评估呈现模块，用于呈现基于消费金融的用户风险等级。本发明解决了现有的风险识别不准确，在很大程度上，提高了信用信息缺失所带来的风险问题，本发明基于大数据的多样性及高效性，能够对用户信息进行多维度的挖掘分析评估，使风险识别准确，从而在很大程度上降低了信用信息缺失所带来的风险。
Description
技术领域
本发明涉及基于大数据的消费金融客群风险识别系统及其方法。
背景技术
传统消费金融是指向各阶层消费者提供消费贷款的现代金融服务方式。在我国当前的宏观经济形势下，适时地出台相关管理办法是适应客观经济形势的趋势和需要的。从金融产品创新看，个人信贷业务是传统银行难以全面惠及的领域，建立专业化的个人消费金融系统，能够更好地服务于居民个体。
公开号为CN107153994A的中国专利公开了一种用户身份认证方法、金融卡及金融终端，金融卡获取金融终端采集的当前用户的生物特征信息，并将金融终端采集的当前用户的生物特征信息与金融卡内预置的开卡用户的生物特征信息进行比较，基于比较的结果向金融终端发送认证指示信号，以便于金融终端基于认证指示信号认证用户身份，进而执行相应的预设动作。该专利能够认证使用金融卡进行业务操作的当前用户是否为开卡用户，有效保障金融卡开卡用户的账户安全，并且该专利无需增设大规模生物特征信息联网数据库，能够离线认证用户身份，实施简便，对信息系统的建设要求低，适宜大规模推广。但是该专利存在以下缺陷：
在信贷业务中，面对借贷对象，金融机构一般要求借款用户提供银行征信报告，由于该种方式易造假，导致风险识别不准确，在很大程度上，提高了信用信息缺失所带来的风险。
发明内容
本发明的目的在于提供基于大数据的消费金融客群风险识别系统及其方法，能够对用户信息进行多维度的挖掘分析评估，使风险识别准确，从而在很大程度上降低了信用信息缺失所带来的风险，解决了上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于大数据的消费金融客群风险识别系统，包括
信息采集模块，用于实时地采集基于消费金融的用户表征信息，其中用户表征信息包括用户信用信息及用户非信用信息，用户信用信息包括用户身份信息、用户贷款信息及用户信用卡信息，用户非信用信息包括用户设备信息、用户购物信息及用户通讯信息；
数据处理模块，用于对获取的用户表征信息进行综合地处理，先对用户表征信息进行转换，使用户表征信息转换呈计算机能够接收的形式，其次对转换后的用户表征信息进行分类、检索及整合，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起，按照顺序检索方法对用户表征信息进行检索，保留对用户风险识别有用的用户表征信息，同时对保留的用户表征信息进行整合，形成新的用户表征信息，最后对新的用户表征信息进行计算，经过各种算术及逻辑运算，确定出用户特征信息；
风险识别模块，用于对用户特征信息进行风险识别，获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
评估呈现模块，用于呈现基于消费金融的用户风险等级，获取用户风险等级，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户；
风险告警模块，用于根据用户风险等级进行相应地风险告警，获取用户风险等级，根据存储的设定等级对用户风险等级进行风险告警，预警金融机构，其中设定等级包括一般风险、较大风险及重大风险。
优选的，采集用户信用信息时，执行以下操作：
采集用户身份信息；
用户身份信息包括用户姓名、用户性别、用户年龄、用户身份证号码、用户联系方式、用户家庭住址及用户工作单位；
采集用户贷款信息；
用户贷款信息包括用户贷款发放银行、用户贷款额、用户贷款期限、用户还款方式及用户实际还款记录；
采集用户信用卡信息；
用户信用卡信息包括用户发卡银行、用户授信额度、用户还款记录及用户支付电话、水、电、燃气的公用事业费用。
优选的，数据处理模块包括
数据转换单元，用于对获取的用户表征信息进行数据转换，使用户表征信息转换呈计算机能够接收的形式；
数据分类单元，用于对转换的用户表征信息进行数据分类，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起；
数据检索单元，用于对分类的用户表征信息进行数据检索，按照顺序检索方法对用户表征信息进行检索，过滤掉对用户风险识别无用的用户表征信息，保留下对用户风险识别有用的用户表征信息；
数据整合单元，用于对检索的用户表征信息进行数据整合，获取对用户风险识别有用的用户表征信息，对用户表征信息进行收集、整理及清洗，形成新的用户表征信息；
数据计算单元，用于对整合的用户表征信息进行数据计算，按照各种算术及逻辑运算，确定出用户特征信息。
优选的，基于用户特征信息进行风险识别，执行以下操作：
获取用户特征信息，其中用户特征信息包含多个用户特征数据；
从获取的用户特征信息中逐个提取用户特征数据；
根据提取的用户特征数据，按照用户特征数据的关键词特征，从存储的具有多个用户标准数据的用户标准信息内索引查找出与该用户特征数据对应的用户标准数据；
对提取的用户特征数据及索引查找的用户标准数据进行对比分析；
针对用户特征数据在用户标准数据范围内的情形，则该用户特征数据不存在风险；
针对用户特征数据不在用户标准数据范围内的情形，则该用户特征数据存在风险；
根据对比分析的多个用户特征数据的风险情况，对该多个用户特征数据进行多维度地风险识别，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告。
优选的，对基于消费金融的用户风险等级进行评估，执行以下操作：
获取用户风险识别报告；
根据用户风险识别报告，提取出存在风险的用户特征数据，确定出存在风险的用户特征数据项数；
根据风险评估制度对存在风险的用户特征数据进行综合性地风险评估，确定出用户风险等级；
其中风险评估制度为：
当0≤存在风险的用户特征数据项数＜2，则用户风险等级为低风险；
当2≤存在风险的用户特征数据项数＜4，则用户风险等级为一般风险；
当4≤存在风险的用户特征数据项数＜6，则用户风险等级为较大风险；
当6≤存在风险的用户特征数据项数，则用户风险等级为重大风险。
优选的，呈现基于消费金融的用户风险等级，执行以下操作：
获取用户风险等级，将该用户风险等级呈现在金融机构终端上；
获取用户联系终端，向该用户联系终端远程传输用户风险等级及用户风险识别报告；
其中远程传输的方式包括但不限于发信息或发邮件。
优选的，根据用户风险等级进行相应地风险告警，执行以下操作：
获取用户风险等级；
参照存储的设定等级对用户风险等级进行风险告警，预警金融机构；
针对用户风险等级为低风险的情形，则不对金融机构进行风险告警；
针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警。
优选的，针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警，包括：
提取用户风险等级；
根据所述用户的用户风险级别设置风险告警监控时间，并将告警信息和所述风险告警监控时间发送至金融机构，其中，所述风险告警监控时间通过如下公式获取：
其中，Tk表示风险告警监控时间；M表示存在风险的用户特征数据项数；Mup和Mdowm表示存在风险的用户特征数据项数所处范围的范围上限值和范围下限值；Q表示风险系数，且，用户风险等级为一般风险时，Q＝1.23，用户风险等级为较大风险时，Q＝1.58，用户风险等级为重大风险时，Q＝1.67；T0表示基准监控时长，且，T0的取值范围为20min-30min；
实时监控所述金融机构获取告警信息和所述风险告警监控时间之后的风险应急处理操作；
如果所述金融机构在所述风险告警监控时间内没有采取风险应急处理操作，则设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
优选的，设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理，包括：
当所述金融机构在所述风险告警监控时间结束时刻仍没有进行风险应急处理时，提取用户对应的用户风险等级；
根据所述用户风险等级设置警告提示时间间隔，其中，所述警告提示时间间隔通过如下公式获取：
其中，T表示用户风险等级设置警告提示时间间隔；R表示风险告警间隔参数，且，用户风险等级为一般风险时，R＝1.37，用户风险等级为较大风险时，R＝1.28，用户风险等级为重大风险时，R＝1.12；
按照所述警告提示时间间隔持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
根据本发明的另一个方面，提供了基于大数据的消费金融客群风险识别方法，应用于上述所述的基于大数据的消费金融客群风险识别系统中，包括如下步骤：
S1：实时地采集基于消费金融的用户表征信息，对获取的用户表征信息进行综合地处理，对用户表征信息进行转换、分类、检索及整合，形成新的用户表征信息，对新的用户表征信息进行计算，确定出用户特征信息；
S2：获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
S3：根据用户风险等级进行相应地风险告警，预警金融机构，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户。
与现有技术相比，本发明的有益效果是：
1、本发明通过实时地采集基于消费金融的用户表征信息，对获取的用户表征信息进行综合地处理，确定出用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，对基于消费金融的用户风险等级进行评估，根据用户风险等级进行相应地风险告警，预警金融机构，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户，基于大数据的多样性及高效性，能够对用户信息进行多维度的挖掘分析评估，使风险识别准确，从而在很大程度上降低了信用信息缺失所带来的风险。
2、本发明通过从获取的用户特征信息中逐个提取用户特征数据，按照用户特征数据的关键词特征，从存储的具有多个用户标准数据的用户标准信息内索引查找出与该用户特征数据对应的用户标准数据，对提取的用户特征数据及索引查找的用户标准数据进行对比分析，根据对比分析的多个用户特征数据的风险情况，对该多个用户特征数据进行多维度地风险识别，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，为消费金融客群风险识别提供保障。
附图说明
图1为本发明的基于大数据的消费金融客群风险识别系统的模块图；
图2为本发明的数据处理模块的框架图；
图3为本发明的基于用户特征信息进行风险识别的算法图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有的在信贷业务中，面对借贷对象，金融机构一般要求借款用户提供银行征信报告，由于该种方式易造假，导致风险识别不准确，在很大程度上，提高了信用信息缺失所带来的风险的问题，请参阅图1-图3，本实施例提供以下技术方案：
基于大数据的消费金融客群风险识别系统，包括
信息采集模块，用于实时地采集基于消费金融的用户表征信息，其中用户表征信息包括用户信用信息及用户非信用信息，用户信用信息包括用户身份信息、用户贷款信息及用户信用卡信息，用户非信用信息包括用户设备信息、用户购物信息及用户通讯信息；
数据处理模块，用于对获取的用户表征信息进行综合地处理，先对用户表征信息进行转换，使用户表征信息转换呈计算机能够接收的形式，其次对转换后的用户表征信息进行分类、检索及整合，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起，按照顺序检索方法对用户表征信息进行检索，保留对用户风险识别有用的用户表征信息，同时对保留的用户表征信息进行整合，形成新的用户表征信息，最后对新的用户表征信息进行计算，经过各种算术及逻辑运算，确定出用户特征信息；
风险识别模块，用于对用户特征信息进行风险识别，获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
评估呈现模块，用于呈现基于消费金融的用户风险等级，获取用户风险等级，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户；
风险告警模块，用于根据用户风险等级进行相应地风险告警，获取用户风险等级，根据存储的设定等级对用户风险等级进行风险告警，预警金融机构，其中设定等级包括一般风险、较大风险及重大风险。
需要说明的是，实时地采集基于消费金融的用户表征信息，对获取的用户表征信息进行综合地处理，对用户表征信息进行转换、分类、检索及整合，形成新的用户表征信息，对新的用户表征信息进行计算，确定出用户特征信息，获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级，根据用户风险等级进行相应地风险告警，预警金融机构，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户，基于大数据的多样性及高效性，能够对用户信息进行多维度的挖掘分析评估，使风险识别准确，从而在很大程度上降低了信用信息缺失所带来的风险。
采集用户信用信息时，执行以下操作：
采集用户身份信息；
用户身份信息包括用户姓名、用户性别、用户年龄、用户身份证号码、用户联系方式、用户家庭住址及用户工作单位；
采集用户贷款信息；
用户贷款信息包括用户贷款发放银行、用户贷款额、用户贷款期限、用户还款方式及用户实际还款记录；
采集用户信用卡信息；
用户信用卡信息包括用户发卡银行、用户授信额度、用户还款记录及用户支付电话、水、电、燃气的公用事业费用。
数据处理模块包括
数据转换单元，用于对获取的用户表征信息进行数据转换，使用户表征信息转换呈计算机能够接收的形式；
数据分类单元，用于对转换的用户表征信息进行数据分类，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起；
数据检索单元，用于对分类的用户表征信息进行数据检索，按照顺序检索方法对用户表征信息进行检索，过滤掉对用户风险识别无用的用户表征信息，保留下对用户风险识别有用的用户表征信息；
数据整合单元，用于对检索的用户表征信息进行数据整合，获取对用户风险识别有用的用户表征信息，对用户表征信息进行收集、整理及清洗，形成新的用户表征信息；
数据计算单元，用于对整合的用户表征信息进行数据计算，按照各种算术及逻辑运算，确定出用户特征信息。
基于用户特征信息进行风险识别，执行以下操作：
获取用户特征信息，其中用户特征信息包含多个用户特征数据；
从获取的用户特征信息中逐个提取用户特征数据；
根据提取的用户特征数据，按照用户特征数据的关键词特征，从存储的具有多个用户标准数据的用户标准信息内索引查找出与该用户特征数据对应的用户标准数据；
对提取的用户特征数据及索引查找的用户标准数据进行对比分析；
针对用户特征数据在用户标准数据范围内的情形，则该用户特征数据不存在风险；
针对用户特征数据不在用户标准数据范围内的情形，则该用户特征数据存在风险；
根据对比分析的多个用户特征数据的风险情况，对该多个用户特征数据进行多维度地风险识别，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告。
对基于消费金融的用户风险等级进行评估，执行以下操作：
获取用户风险识别报告；
根据用户风险识别报告，提取出存在风险的用户特征数据，确定出存在风险的用户特征数据项数；
根据风险评估制度对存在风险的用户特征数据进行综合性地风险评估，确定出用户风险等级；
其中风险评估制度为：
当0≤存在风险的用户特征数据项数＜2，则用户风险等级为低风险；
当2≤存在风险的用户特征数据项数＜4，则用户风险等级为一般风险；
当4≤存在风险的用户特征数据项数＜6，则用户风险等级为较大风险；
当6≤存在风险的用户特征数据项数，则用户风险等级为重大风险。
优选的，呈现基于消费金融的用户风险等级，执行以下操作：
获取用户风险等级，将该用户风险等级呈现在金融机构终端上；
获取用户联系终端，向该用户联系终端远程传输用户风险等级及用户风险识别报告；
其中远程传输的方式包括但不限于发信息或发邮件。
根据用户风险等级进行相应地风险告警，执行以下操作：
获取用户风险等级；
参照存储的设定等级对用户风险等级进行风险告警，预警金融机构；
针对用户风险等级为低风险的情形，则不对金融机构进行风险告警；
针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警。
本发明的一个实施例，针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警，包括：
提取用户风险等级；
根据所述用户的用户风险级别设置风险告警监控时间，并将告警信息和所述风险告警监控时间发送至金融机构，其中，所述风险告警监控时间通过如下公式获取：
其中，Tk表示风险告警监控时间；M表示存在风险的用户特征数据项数；Mup和Mdowm表示存在风险的用户特征数据项数所处范围的范围上限值和范围下限值；Q表示风险系数，且，用户风险等级为一般风险时，Q＝1.23，用户风险等级为较大风险时，Q＝1.58，用户风险等级为重大风险时，Q＝1.67；T0表示基准监控时长，且，T0的取值范围为20min-30min；
实时监控所述金融机构获取告警信息和所述风险告警监控时间之后的风险应急处理操作；
如果所述金融机构在所述风险告警监控时间内没有采取风险应急处理操作，则设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
上述技术方案的效果为：通过上述方式进行金融机构对于风险处理的反馈监控能够有效提高金融机构风险处理的监控效率和监控力度，进而提高风险处理效率和风险处理力度。同时，通过上述方式进行风险告警监控时间的设置能够有效提高风险告警监控时间设置合理性，并且，结合存在风险的用户特征数据项数的实际情况进行风险告警监控时间设置能够进一步提高风险告警监控时间设置与用户风险等级之间的匹配性。由于风险级别不同，金融机构部对于不同风险级别处理时间不同，因此，通过上述公式进行风险告警监控时间设置能够避免统一一致的监控时间导致无法根据不同风险等级的用户为金融机构提供足够的风险处理时间导致误判断的情况发生。
具体的，设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理，包括：
当所述金融机构在所述风险告警监控时间结束时刻仍没有进行风险应急处理时，提取用户对应的用户风险等级；
根据所述用户风险等级设置警告提示时间间隔，其中，所述警告提示时间间隔通过如下公式获取：
其中，T表示用户风险等级设置警告提示时间间隔；R表示风险告警间隔参数，且，用户风险等级为一般风险时，R＝1.37，用户风险等级为较大风险时，R＝1.28，用户风险等级为重大风险时，R＝1.12；
按照所述警告提示时间间隔持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
上述技术方案的效果为：通过上述方式能够在风险机构没有进行风险应急处理的情况下进行适当频率的提醒，防止金融机构因为无法及时看见告警信息而没有进行风险应急处理。同时，通过上述公式根据不同用户风险等级进行不同时间间隔的告警信息发送设置，能够有效提高告警信息发送时间间隔与风险等级的匹配性，同时，通过上述时间间隔的设置既能够防止告警信息发送频率过高导致金融机构信息数据接收过大造成资源浪费和数据处理负荷，导致金融机构系统运行不稳定的问题发生，又能够防止告警信息发送频率过低导致对金融机构提示作用降低的问题发生。
为了更好的展现基于大数据的消费金融客群风险识别流程，本实施例现提出基于大数据的消费金融客群风险识别方法，应用于上述所述的基于大数据的消费金融客群风险识别系统中，包括如下步骤：
S1：实时地采集基于消费金融的用户表征信息，对获取的用户表征信息进行综合地处理，对用户表征信息进行转换、分类、检索及整合，形成新的用户表征信息，对新的用户表征信息进行计算，确定出用户特征信息；
S2：获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
S3：根据用户风险等级进行相应地风险告警，预警金融机构，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.基于大数据的消费金融客群风险识别系统，其特征在于，包括
信息采集模块，用于实时地采集基于消费金融的用户表征信息，其中用户表征信息包括用户信用信息及用户非信用信息，用户信用信息包括用户身份信息、用户贷款信息及用户信用卡信息，用户非信用信息包括用户设备信息、用户购物信息及用户通讯信息；
数据处理模块，用于对获取的用户表征信息进行综合地处理，先对用户表征信息进行转换，使用户表征信息转换呈计算机能够接收的形式，其次对转换后的用户表征信息进行分类、检索及整合，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起，按照顺序检索方法对用户表征信息进行检索，保留对用户风险识别有用的用户表征信息，同时对保留的用户表征信息进行整合，形成新的用户表征信息，最后对新的用户表征信息进行计算，经过各种算术及逻辑运算，确定出用户特征信息；
风险识别模块，用于对用户特征信息进行风险识别，获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
评估呈现模块，用于呈现基于消费金融的用户风险等级，获取用户风险等级，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户；
风险告警模块，用于根据用户风险等级进行相应地风险告警，获取用户风险等级，根据存储的设定等级对用户风险等级进行风险告警，预警金融机构，其中设定等级包括一般风险、较大风险及重大风险。
2.根据权利要求1所述的基于大数据的消费金融客群风险识别系统，其特征在于：采集用户信用信息时，执行以下操作：
采集用户身份信息；
用户身份信息包括用户姓名、用户性别、用户年龄、用户身份证号码、用户联系方式、用户家庭住址及用户工作单位；
采集用户贷款信息；
用户贷款信息包括用户贷款发放银行、用户贷款额、用户贷款期限、用户还款方式及用户实际还款记录；
采集用户信用卡信息；
用户信用卡信息包括用户发卡银行、用户授信额度、用户还款记录及用户支付电话、水、电、燃气的公用事业费用。
3.根据权利要求1所述的基于大数据的消费金融客群风险识别系统，其特征在于：数据处理模块包括
数据转换单元，用于对获取的用户表征信息进行数据转换，使用户表征信息转换呈计算机能够接收的形式；
数据分类单元，用于对转换的用户表征信息进行数据分类，按照用户数据之间相同的属性对用户表征信息进行划分，将相同属性的用户表征信息集合在一起；
数据检索单元，用于对分类的用户表征信息进行数据检索，按照顺序检索方法对用户表征信息进行检索，过滤掉对用户风险识别无用的用户表征信息，保留下对用户风险识别有用的用户表征信息；
数据整合单元，用于对检索的用户表征信息进行数据整合，获取对用户风险识别有用的用户表征信息，对用户表征信息进行收集、整理及清洗，形成新的用户表征信息；
数据计算单元，用于对整合的用户表征信息进行数据计算，按照各种算术及逻辑运算，确定出用户特征信息。
4.根据权利要求1所述的基于大数据的消费金融客群风险识别系统，其特征在于：基于用户特征信息进行风险识别，执行以下操作：
获取用户特征信息，其中用户特征信息包含多个用户特征数据；
从获取的用户特征信息中逐个提取用户特征数据；
根据提取的用户特征数据，按照用户特征数据的关键词特征，从存储的具有多个用户标准数据的用户标准信息内索引查找出与该用户特征数据对应的用户标准数据；
对提取的用户特征数据及索引查找的用户标准数据进行对比分析；
针对用户特征数据在用户标准数据范围内的情形，则该用户特征数据不存在风险；
针对用户特征数据不在用户标准数据范围内的情形，则该用户特征数据存在风险；
根据对比分析的多个用户特征数据的风险情况，对该多个用户特征数据进行多维度地风险识别，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告。
5.根据权利要求1所述的基于大数据的消费金融客群风险识别系统，其特征在于：对基于消费金融的用户风险等级进行评估，执行以下操作：
获取用户风险识别报告；
根据用户风险识别报告，提取出存在风险的用户特征数据，确定出存在风险的用户特征数据项数；
根据风险评估制度对存在风险的用户特征数据进行综合性地风险评估，确定出用户风险等级；
其中风险评估制度为：
当0≤存在风险的用户特征数据项数＜2，则用户风险等级为低风险；
当2≤存在风险的用户特征数据项数＜4，则用户风险等级为一般风险；
当4≤存在风险的用户特征数据项数＜6，则用户风险等级为较大风险；
当6≤存在风险的用户特征数据项数，则用户风险等级为重大风险。
6.根据权利要求5所述的基于大数据的消费金融客群风险识别系统，其特征在于：呈现基于消费金融的用户风险等级，执行以下操作：
获取用户风险等级，将该用户风险等级呈现在金融机构终端上；
获取用户联系终端，向该用户联系终端远程传输用户风险等级及用户风险识别报告；
其中远程传输的方式包括但不限于发信息或发邮件。
7.根据权利要求6所述的基于大数据的消费金融客群风险识别系统，其特征在于：根据用户风险等级进行相应地风险告警，执行以下操作：
获取用户风险等级；
参照存储的设定等级对用户风险等级进行风险告警，预警金融机构；
针对用户风险等级为低风险的情形，则不对金融机构进行风险告警；
针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警。
8.根据权利要求6所述的基于大数据的消费金融客群风险识别系统，其特征在于：针对用户风险等级为一般风险、较大风险或重大风险的情形，则对金融机构进行风险告警，包括：
提取用户风险等级；
根据所述用户的用户风险级别设置风险告警监控时间，并将告警信息和所述风险告警监控时间发送至金融机构，其中，所述风险告警监控时间通过如下公式获取：
其中，Tk表示风险告警监控时间；M表示存在风险的用户特征数据项数；Mup和Mdowm表示存在风险的用户特征数据项数所处范围的范围上限值和范围下限值；Q表示风险系数，且，用户风险等级为一般风险时，Q＝1.23，用户风险等级为较大风险时，Q＝1.58，用户风险等级为重大风险时，Q＝1.67；T0表示基准监控时长，且，T0的取值范围为20min-30min；
实时监控所述金融机构获取告警信息和所述风险告警监控时间之后的风险应急处理操作；
如果所述金融机构在所述风险告警监控时间内没有采取风险应急处理操作，则设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
9.根据权利要求7所述的基于大数据的消费金融客群风险识别系统，其特征在于：设置警告提示时间间隔，持续向所述金融机构发送告警信息直至金融机构进行风险应急处理，包括：
当所述金融机构在所述风险告警监控时间结束时刻仍没有进行风险应急处理时，提取用户对应的用户风险等级；
根据所述用户风险等级设置警告提示时间间隔，其中，所述警告提示时间间隔通过如下公式获取：
其中，T表示用户风险等级设置警告提示时间间隔；R表示风险告警间隔参数，且，用户风险等级为一般风险时，R＝1.37，用户风险等级为较大风险时，R＝1.28，用户风险等级为重大风险时，R＝1.12；
按照所述警告提示时间间隔持续向所述金融机构发送告警信息直至金融机构进行风险应急处理。
10.基于大数据的消费金融客群风险识别方法，基于如权利要求1-7任一项所述的基于大数据的消费金融客群风险识别系统实现，其特征在于，包括如下步骤：
S1：实时地采集基于消费金融的用户表征信息，对获取的用户表征信息进行综合地处理，对用户表征信息进行转换、分类、检索及整合，形成新的用户表征信息，对新的用户表征信息进行计算，确定出用户特征信息；
S2：获取用户特征信息，参照存储的用户标准信息对获取的用户特征信息进行多维度地对比分析，综合考量基于消费金融的用户风险情况，确定出用户风险识别报告，根据用户风险识别报告，对基于消费金融的用户风险等级进行评估，确定出用户风险等级；
S3：根据用户风险等级进行相应地风险告警，预警金融机构，且将该用户风险等级呈现在金融机构终端上及将该用户风险等级及用户风险识别报告远程传输给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310393963.1A CN116468540A (zh) | 2023-04-13 | 2023-04-13 | 基于大数据的消费金融客群风险识别系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310393963.1A CN116468540A (zh) | 2023-04-13 | 2023-04-13 | 基于大数据的消费金融客群风险识别系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116468540A true CN116468540A (zh) | 2023-07-21 |
Family
ID=87172969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310393963.1A Pending CN116468540A (zh) | 2023-04-13 | 2023-04-13 | 基于大数据的消费金融客群风险识别系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116468540A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852926A (zh) * | 2024-03-04 | 2024-04-09 | 四川享宇科技有限公司 | 一种冠军挑战者策略管理方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103024188A (zh) * | 2012-12-21 | 2013-04-03 | 广东欧珀移动通信有限公司 | 一种未处理信息的提醒方法及提醒装置 |
| CN104866969A (zh) * | 2015-05-25 | 2015-08-26 | 百度在线网络技术（北京）有限公司 | 个人信用数据处理方法和装置 |
| CN106530078A (zh) * | 2016-11-29 | 2017-03-22 | 流量海科技成都有限公司 | 基于跨行业数据的贷款风险预警方法及系统 |
| CN108305163A (zh) * | 2017-12-20 | 2018-07-20 | 上海财安金融服务集团股份有限公司 | 基于特征库的信用预警方法及系统 |
| CN109063921A (zh) * | 2018-08-20 | 2018-12-21 | 平安科技（深圳）有限公司 | 客户风险预警的优化处理方法、装置、计算机设备和介质 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
| CN111913994A (zh) * | 2020-08-12 | 2020-11-10 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
| CN115082075A (zh) * | 2022-06-23 | 2022-09-20 | 深圳供电局有限公司 | 一种支付异常风险监控系统及方法 |
| CN115292754A (zh) * | 2022-07-07 | 2022-11-04 | 青岛市工程咨询院 | 一种征信平台信用数据风险监控方法 |
-
2023
- 2023-04-13 CN CN202310393963.1A patent/CN116468540A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103024188A (zh) * | 2012-12-21 | 2013-04-03 | 广东欧珀移动通信有限公司 | 一种未处理信息的提醒方法及提醒装置 |
| CN104866969A (zh) * | 2015-05-25 | 2015-08-26 | 百度在线网络技术（北京）有限公司 | 个人信用数据处理方法和装置 |
| CN106530078A (zh) * | 2016-11-29 | 2017-03-22 | 流量海科技成都有限公司 | 基于跨行业数据的贷款风险预警方法及系统 |
| CN108305163A (zh) * | 2017-12-20 | 2018-07-20 | 上海财安金融服务集团股份有限公司 | 基于特征库的信用预警方法及系统 |
| CN109063921A (zh) * | 2018-08-20 | 2018-12-21 | 平安科技（深圳）有限公司 | 客户风险预警的优化处理方法、装置、计算机设备和介质 |
| CN110610412A (zh) * | 2019-09-02 | 2019-12-24 | 深圳中兴飞贷金融科技有限公司 | 信用风险评估方法和装置、存储介质和电子设备 |
| CN111913994A (zh) * | 2020-08-12 | 2020-11-10 | 武汉众邦银行股份有限公司 | 基于行内数据和外部数据的客户风险数据监测方法 |
| CN115082075A (zh) * | 2022-06-23 | 2022-09-20 | 深圳供电局有限公司 | 一种支付异常风险监控系统及方法 |
| CN115292754A (zh) * | 2022-07-07 | 2022-11-04 | 青岛市工程咨询院 | 一种征信平台信用数据风险监控方法 |
Non-Patent Citations (1)
| Title |
|---|
| 温浩宇: "《商业智能：方法与应用》", 30 April 2021, 西安电子科技大学出版社, pages: 103 - 107 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852926A (zh) * | 2024-03-04 | 2024-04-09 | 四川享宇科技有限公司 | 一种冠军挑战者策略管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA3065807C (en) | System and method for issuing a loan to a consumer determined to be creditworthy | |
| CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
| CN116468540A (zh) | 基于大数据的消费金融客群风险识别系统及其方法 | |
| Haq et al. | Electricity-theft detection for smart grid security using smart meter data: A deep-CNN based approach | |
| Chen et al. | CatBoost for fraud detection in financial transactions | |
| Fan et al. | Improved ML-based technique for credit card scoring in internet financial risk control | |
| CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
| CN115794803A (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
| CN115222303A (zh) | 基于大数据的行业风险数据分析方法、系统及存储介质 | |
| CN114331719A (zh) | 一种基于大数据的交易风控指标智能分析系统 | |
| CN112834837B (zh) | 基于非侵入式负荷监测的用户行为精细化分析方法 | |
| CN114331463A (zh) | 基于线性回归模型的风险识别方法及其相关设备 | |
| Yang et al. | Anomaly detection of vehicle data based on LOF algorithm | |
| CN114493699A (zh) | 一种基于异常检测的消费预警系统及其方法 | |
| Zakirov et al. | Application of data mining in the banking sector | |
| CN111899036A (zh) | 一种基于大数据的客户分层分类管理系统 | |
| CN111444288A (zh) | 一种基于大数据分析的企业信用评价系统 | |
| CN104008614A (zh) | 一种基于气味检测的自助机设备系统及方法 | |
| KR102112798B1 (ko) | 인공지능을 이용한 암호화폐 계좌의 클러스터링 방법, 장치 및 컴퓨터프로그램 | |
| Kaothanthong et al. | Identifying ATM Fraud Transactions in Thailand using Location-based Grouping and Behavior Feature | |
| Naidovich et al. | Survival analysis in credit scoring | |
| Olexander et al. | DETECTING CREDIT CARD FRAUD USING MACHINE LEARNING ALGORITHMS | |
| Xiao | Association rules algorithm in bank risk assessment | |
| CN115345741A (zh) | 一种基于复合相似度的金融关联账户识别方法和设备 | |
| Zhou | Intelligent Accounting System Based on Data Mining Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |